Может ли система искусственного интеллекта иметь Область Нормального Функционирования?

 Синтетический эксперимент с TTFT и динамическими границами ОНФ

Продолжая развивать концепцию Области Нормального Функционирования (ОНФ), я ищу новые типы систем, к которым этот подход может быть применим.

Искусственный интеллект — особенно сервисы на основе больших языковых моделей (LLM) — представляет в этом смысле очень интересный пример.

Система ИИ — это всё-таки система, выполняющая работу. Она получает нагрузку, использует вычислительные ресурсы, формирует результат и имеет измеримые характеристики производительности. Отсюда естественно возникает вопрос:

Можно ли определить Область Нормального Функционирования для сервиса ИИ?

Я думаю, что можно.

Измерение производительности LLM

Рассмотрим пользователя, который отправляет запрос большой языковой модели. Одной из полезных характеристик производительности является Time to First Token (TTFT) — время между отправкой запроса и появлением первого токена ответа.

Для запроса i это можно записать так:

TTFTᵢ = t(first token) − t(request)

На TTFT влияют многие факторы: нагрузка, размер промпта, число параллельных запросов, особенности модели и доступные вычислительные ресурсы. Поэтому ожидать, что TTFT будет постоянным, было бы неправильно.

Вместо вопроса «находится ли TTFT ниже фиксированного порога?» ОНФ предлагает другой вопрос: какой диапазон значений TTFT соответствует нормальному функционированию именно этой системы ИИ при её текущих условиях работы?

Синтетический эксперимент

Чтобы проверить эту идею, я сгенерировал синтетический набор данных, представляющий 600 последовательных запросов к LLM-сервису. В модели нагрузки присутствуют:

·         число токенов в промпте и в ответе;

·         изменяющийся уровень параллельных запросов;

·         начальный стабильный режим работы;

·         постепенный рост нагрузки;

·         временный период перегрузки;

·         восстановление с переходом к несколько иному рабочему режиму.

Концептуально TTFT моделировался следующим образом:

TTFTᵢ = f(Pᵢ, Cᵢ) + εᵢ

где Pᵢ — размер промпта, Cᵢ — параллельная нагрузка, а εᵢ — обычная случайная вариабельность.

Цель не состояла в имитации какой-либо конкретной коммерческой системы ИИ. Данные намеренно сделаны синтетическими, чтобы поведение системы было известно и можно было наглядно показать саму концепцию ОНФ.

Построение Области Нормального Функционирования ИИ

Для первого эксперимента я использовал скользящие процентили, описывающие текущую рабочую область. Для окна последних наблюдений центральная линия определяется как:

CL(t) = P₅₀(TTFT)

Нижняя и верхняя границы:

LCL(t) = P₀₅(TTFT)

UCL(t) = P₉₅(TTFT)

Таким образом, Область Нормального Функционирования задаётся интервалом:

ANF(t) = [P₀₅(t), P₉₅(t)]

Ключевой момент состоит в том, что эти границы не являются фиксированными. Они перемещаются по мере изменения поведения системы.

Рисунок 1. Синтетический TTFT LLM-сервиса с динамической Областью Нормального Функционирования (P05–P95).

На графике фактический ряд представляет TTFT; P50 показывает центр нормального функционирования; P05 и P95 образуют нижнюю и верхнюю границы ОНФ; закрашенная область между ними и есть текущая Область Нормального Функционирования.

По смыслу это близко к IT-Control Charts, которые я много лет использовал для анализа производительности компьютерных систем, но в данном случае объектом наблюдения является сервис искусственного интеллекта.

Что происходит при изменении режима работы

В первой части эксперимента TTFT колеблется вокруг относительно стабильного уровня. Затем, по мере роста нагрузки, начинают увеличиваться и сам TTFT, и соответствующая ему ОНФ. В конце концов синтетический сервис входит в режим перегрузки. TTFT заметно возрастает, но после накопления достаточного числа наблюдений сама ОНФ адаптируется к новому режиму.

Отдельное наблюдение, вышедшее выше текущей верхней границы, можно представить как:

TTFTₜ > UCL(t)

Такое наблюдение может быть исключением. Однако устойчивое перемещение всей ОНФ означает уже не единичное отклонение, а возможное изменение состояния самой системы.

Исключение  →  Тренд  →  Точка изменения  →  Новая ОНФ

От обнаружения к прогнозированию

Идея становится ещё интереснее, если добавить анализ тренда. Предположим, что текущий тренд TTFT локально аппроксимируется линейной моделью:

TTFT̂(t) = a + bt

где b > 0 означает рост задержки ответа.

Если текущая верхняя граница ОНФ равна UCL, то ожидаемый момент пересечения можно оценить как:

t(cross) = (UCL − a) / b

А оставшееся время до прогнозируемого выхода за границу ОНФ:

TimeToANF = t(cross) − t(now)

Тем самым вопрос меняется с ретроспективного «стала ли производительность ИИ аномальной?» на более полезный проактивный вопрос: «сколько времени осталось до того, как производительность ИИ, согласно текущему тренду, выйдет из своей Области Нормального Функционирования?»

Это напрямую связывает концепцию ОНФ с проактивным управлением производительностью и мощностью.

За пределами TTFT

TTFT — только первый пример. У сервиса ИИ существует множество характеристик производительности. Концептуально многомерную ОНФ можно представить как:

ANF(AI) = f(TTFT, TPOT, Tokens/sec, QueueTime, TokenCount, Errors, ResourceUsage, …)

То есть в более общем случае система ИИ может иметь не одномерный интервал, а многомерную Область Нормального Функционирования.

Ещё важнее то, что эти параметры взаимосвязаны. Значение TTFT, необычное для короткого промпта, может быть совершенно нормальным для значительно более крупного запроса или при высокой параллельной нагрузке. Поэтому более строгая формулировка может быть условной:

ANF = P(Performance | Workload, Model, Configuration)

Иными словами: что является нормальной производительностью данной системы ИИ при данной нагрузке, данной модели и данной конфигурации? Это существенно более интересный вопрос, чем простое сравнение каждого запроса с одним фиксированным порогом.

Почему это мне интересно

Концепция ОНФ возникла в моей более ранней работе с техническими системами. Сейчас я исследую, может ли та же фундаментальная идея описывать нормальное функционирование, адаптацию и изменения в системах самых разных типов.

ИИ создаёт здесь особенно интересный мост. С одной стороны, это явно техническая вычислительная система, поэтому она естественно относится к задачам классической инженерии производительности. С другой стороны, современные системы ИИ всё чаще взаимодействуют с людьми и становятся частью более крупных гибридных человеко-технических систем.

Пока этот эксперимент намеренно прост: одна характеристика производительности ИИ, синтетические данные и одномерный анализ ОНФ.

Следующий логичный шаг — повторить эксперимент уже на реальных измерениях LLM-сервиса. Если подход подтвердится, ОНФ сможет дать единый язык не только для определения того, функционирует ли система ИИ нормально, но и для описания того, как меняется её нормальное состояние — и когда система приближается к выходу за его границы.

Примечание. В этом примере используются синтетические данные как proof of concept. В будущей академической версии метод следует проверить на реальной телеметрии LLM-сервиса и сравнить ОНФ (ANF)-подход с фиксированными SLO и другими адаптивными базовыми моделями.

#YouTube как пример Области Нормального Функционирования коллективного поведения пользователей

В последнее время я все больше думаю о том, насколько широко можно применять концепцию Области Нормального Функционирования — ОНФ.

Изначально термин ОНФ появился у меня еще в диссертационной работе по робототехнике. Тогда речь шла об области начальных положений объекта, при которых роботизированный захват все еще мог успешно выполнить операцию.

Позже, уже в области компьютерных систем, я развивал методы статистического анализа производительности: определение нормальных диапазонов, обнаружение исключений, трендов и точек изменения. В частности, мой метод SETDS — Statistical Exception and Trend Detection System был впервые опубликован на конференции CMG в 2002 году. Эта работа получила награду Best Paper.

Тогда основной задачей было следить за компьютерными системами и определять:

• что является нормальным поведением;
• когда показатель выходит за ожидаемые границы;
• когда появляется аномалия;
• когда меняется сам нормальный режим;
• и куда движется тренд.

Но сейчас я вижу, что те же идеи можно применять не только к техническим системам.

Один интересный пример — YouTube-канал.

YouTube-канал как динамическая система

У моего YouTube-канала @iTrubin есть своя аудитория и своя история активности.

Пользователи смотрят видео, подписываются, возвращаются на канал, реагируют на новые публикации. Если рассматривать эту активность во времени, получается типичный динамический процесс.

Например, можно анализировать:

• количество просмотров;
• число новых зрителей;
• возвращающихся зрителей;
• число подписчиков;
• просмотры отдельных видео;
• реакцию аудитории после публикации нового материала;
• долгосрочные тренды роста или снижения.

В обычной аналитике YouTube это просто показатели канала.

Но с точки зрения ОНФ это можно рассматривать иначе.

Мы можем спросить:

Как выглядит нормальный диапазон активности аудитории этого канала?

И тогда для каждого временного периода можно определить:

• центральный или типичный уровень активности;
• верхнюю границу нормального поведения;
• нижнюю границу;
• значения вне ОНФ;
• изменение тренда;
• и возможный переход к новому нормальному состоянию.

Не отдельный пользователь, а коллектив

Это особенно интересно потому, что система здесь — не один человек.

Мы анализируем коллективное поведение большой группы пользователей.

Каждый отдельный зритель принимает собственное решение:

• смотреть или не смотреть;
• подписаться или нет;
• вернуться к каналу;
• посмотреть старое видео;
• заинтересоваться новым материалом.

Но когда таких пользователей много, их совокупная активность образует вполне измеримый временной ряд.

Возникает нечто похожее на поведение сложной системы.

Именно здесь идея ОНФ становится особенно интересной.

Что может означать выход за ОНФ

Необычный всплеск активности выше верхней границы может означать:

• неожиданно успешное видео;
• попадание в рекомендации;
• внешний информационный повод;
• рост интереса к теме;
• изменение алгоритмов платформы.

А сильное падение ниже нижней границы может быть связано с:

• снижением интереса аудитории;
• сезонностью;
• отсутствием новых публикаций;
• изменением рекомендаций;
• изменением поведения самой аудитории.

Сам по себе выход за границу не объясняет причину.

Но он говорит:

Поведение этой группы пользователей сейчас отличается от ее собственного обычного поведения.

Это и есть основная идея ОНФ.

Когда меняется сама ОНФ

Еще интереснее не отдельная аномалия, а ситуация, когда меняется весь нормальный диапазон.

Например, после периода устойчивого роста канал может перейти на новый уровень просмотров. Тогда прежний всплеск постепенно становится новой нормой.

И наоборот, продолжительное снижение активности может привести к тому, что вся область нормального функционирования смещается вниз.

Это уже не просто исключение.

Это изменение режима поведения системы.

Именно здесь становятся особенно полезны методы:

• обнаружения точек изменения;
• анализа трендов;
• прогноза;
• и построения IT-control chart.

Связь с моими более ранними работами

Для меня этот пример особенно интересен еще по одной причине.

Когда я начинал развивать SETDS в начале 2000-х годов, я применял его прежде всего к производительности компьютерных систем.

Позже я заметил, что некоторые коммерческие инструменты начали использовать похожие идеи: динамические базовые линии, обнаружение аномалий и автоматическое выявление отклонений.

Но теперь становится понятно, что тот же подход можно переносить значительно шире.

YouTube-аналитика — хороший пример того, как методы, первоначально разработанные для технических систем, могут использоваться для анализа человеческого коллективного поведения.

. Область нормального функционирования (ОНФ) коллективной активности пользователей YouTube. Серой областью показан ожидаемый диапазон нормальной активности; выходы за его границы могут указывать на аномалии, изменение интереса аудитории или переход к новому режиму поведения.

От технической системы к человеческой

В компьютерной системе мы можем анализировать:

• CPU;
• память;
• транзакции;
• response time;
• workload.

В YouTube-сообществе мы анализируем:

• просмотры;
• подписчиков;
• возвращающихся зрителей;
• реакцию аудитории;
• динамику интереса.

Математически это снова временные ряды.

Но смысл показателей уже другой.

Они отражают не работу процессоров и серверов, а действия людей.

Поэтому такой пример занимает интересное промежуточное положение между техническими и социальными системами.

Почему этот пример важен для более широкой концепции ОНФ

Для меня YouTube-пример стал еще одним подтверждением, что ОНФ — это не только инженерная характеристика оборудования или программы.

ОНФ может описывать:

• техническую систему;
• бизнес-процесс;
• спортсмена;
• пациента;
• и даже коллектив пользователей цифровой платформы.

Общий вопрос во всех случаях остается тем же:

Что является нормальным поведением этой системы, и когда это нормальное поведение меняется?

В этом смысле коллектив пользователей YouTube можно рассматривать как еще один тип динамической системы — человеческой по своей природе, но наблюдаемой через цифровые данные.

Именно такие примеры постепенно расширяют для меня область применения ОНФ — от робототехники и компьютерных систем к человеческим и социальным процессам.

Применение ОНФ к клиническим данным: HRV, восстановление и человеческая адаптация

 В последних заметках я рассматривал, как концепция Области Нормального Функционирования — ОНФ — может применяться не только к компьютерным системам.

Сначала я попробовал этот подход на спортивных данных: SoccerMon и данных тренировок бегунов. Эти примеры показали, что ОНФ может описывать нормальный диапазон тренировочной нагрузки спортсмена, выявлять необычные периоды, находить сдвиги нормального режима и даже показывать возможные тренировочные циклы.

На этот раз я решил проверить ОНФ на другом типе данных о человеке: не на соревновательном спорте, а на клиническом мониторинге упражнений и восстановления.

Для этого эксперимента я использовал набор данных ATOPE+Breast, который содержит ежедневные записи мониторинга пациенток с раком молочной железы во время терапевтической программы физических упражнений. Файл records.csv включает ежедневные данные: идентификатор пациента, день исследования, информацию о тренировочных сессиях, показатели HRV, самооценку самочувствия, сон и физическую активность/шаги. Среди полей есть lnrmssd, recovery, fatigue, distress, sleep_satisfaction, sleep_time, показатели сна Fitbit и метрики активности.

Это делает набор данных особенно интересным для ОНФ. Цель здесь — не спортивный результат. Цель — более безопасная человеческая адаптация: как пациент реагирует на упражнения, восстановление, сон, усталость и общий контекст лечения во времени.

Почему этот набор данных отличается

В данных бегунов или футболистов главный вопрос часто связан с результативностью:

- Тренируется ли спортсмен в пределах своего нормального диапазона нагрузки?

В клинических данных вопрос другой:

- Восстанавливается ли пациент и адаптируется ли он в пределах своего индивидуального нормального функционального диапазона?

Поэтому ОНФ здесь может быть полезна как пациент-специфический слой мониторинга. Она не ставит медицинский диагноз и не заменяет клиническое решение врача. Но она может помочь заметить, когда ежедневное восстановление или физиологическое состояние пациента отклоняется от его недавней нормальной картины.

Для первого proof-of-concept я выбрал одного пациента с относительно длинной ежедневной историей и построил графики ОНФ на основе скользящих процентильных границ.

Модель использовала:

• скользящую базу по недавним наблюдениям,
• CL = P50,
• UCL = P95,
• LCL = P05,
• серую область = ОНФ,
• оранжевые точки = значения вне ОНФ,
• вертикальные маркеры = дни тренировочных сессий.

График 1 — ОНФ для LnRMSSD / HRV

Рисунок 1. Индивидуальная ОНФ для LnRMSSD — показателя HRV, связанного с физиологическим восстановлением. Серая область показывает недавний нормальный диапазон; точки вне области указывают на дни, выходящие за пределы недавнего физиологического паттерна восстановления пациента.

Первый график использует LnRMSSD.

LnRMSSD означает натуральный логарифм RMSSD — одного из распространенных показателей вариабельности сердечного ритма, или HRV. В практическом смысле этот показатель часто используется как индикатор автономного восстановления или физиологической готовности.

Для ОНФ это важно, потому что LnRMSSD дает более объективный физиологический сигнал, чем только самооценка самочувствия.

На графике область ОНФ представляет недавний нормальный диапазон HRV-восстановления данного пациента. День ниже нижней границы может указывать на то, что физиологическое восстановление ниже обычного. Устойчивое движение вниз может быть связано со стрессом, усталостью, нагрузкой лечения, плохим сном или другим контекстным фактором.

Конечно, одну дневную точку не следует переинтерпретировать. Физиология человека шумная. Ценность ОНФ не в том, чтобы рассматривать одно дневное значение как диагноз, а в том, чтобы видеть, как восстановление пациента ведет себя относительно его собственной недавней базы.

График 2 — ОНФ для индекса риска восстановления

Рисунок 2. Индивидуальная ОНФ для индекса риска восстановления, основанного на субъективных показателях восстановления и самочувствия. Более высокие значения означают худшее состояние восстановления по совокупности субъективных индикаторов.

Второй график использует комбинированный индекс риска восстановления.

Этот индекс суммирует субъективную сторону восстановления: ощущение восстановления, усталость, эмоциональный дистресс и состояние, связанное со сном. В наборе данных есть ежедневные самооценки, такие как recovery, fatigue, distress, sleep_satisfaction и sleep_time.

Этот график интересен потому, что отражает “человеческое ощущение” того же процесса. HRV может показывать физиологическое восстановление, но субъективные показатели показывают, как пациент реально себя чувствует.

В терминах ОНФ график риска восстановления задает вопрос:

Остается ли воспринимаемое состояние восстановления пациента в пределах его недавнего нормального диапазона?

Дни выше верхней границы могут указывать на необычно повышенный риск восстановления — например, более высокую усталость, худшее ощущение восстановления, худший сон или более высокий дистресс. И снова: ОНФ сама по себе не объясняет причину. Она показывает отклонение от недавнего нормального состояния данного пациента.

Почему важна комбинация показателей

Самое интересное здесь — не каждый график по отдельности, а возможность сравнивать их вместе.

У пациента может быть:

• нормальный HRV, но плохое субъективное восстановление,
• низкий HRV, но нормальная самооценка восстановления,
• оба сигнала внутри ОНФ,
• или оба сигнала вне ОНФ.

Такая комбинация может быть полезнее, чем один показатель.

Например, если HRV падает ниже нормы, а индекс риска восстановления поднимается выше нормы, это может быть более сильным сигналом, что пациент находится в необычном состоянии напряжения. Если меняется только один сигнал, интерпретация требует большего контекста.

Это похоже на то, как я раньше связывал бизнес-драйверы с метриками компьютерных систем. Один сигнал полезен, но две связанные ОНФ могут дать более информативную диагностическую картину.

От спортивной производительности к человеческому восстановлению

Этот пример расширяет идею ОНФ.

В данных бегунов ОНФ описывала нормальную недельную тренировочную нагрузку.
В SoccerMon ОНФ описывала нагрузку спортсмена и показатели wellness/readiness.
В ATOPE+Breast ОНФ описывает индивидуальное восстановление и адаптацию пациента во время терапевтических упражнений.

Это важный шаг.

Он показывает, что ОНФ может применяться не только к компьютерным системам и спортсменам, но и к более широкому контексту человеческого восстановления и реабилитации.

Главный вопрос остается тем же:

Что является нормальным для этой системы в данный момент, и когда это нормальное состояние изменилось?

Первый вывод

Это пока исследовательский proof-of-concept, но он полезен.

ATOPE+Breast показывает, что ОНФ можно применять к ежедневным данным о восстановлении человека, объединяя физиологические, субъективные, сонные, активностные и тренировочные показатели.

Для меня главный вывод такой:

ОНФ может помочь описывать индивидуальную область нормального восстановления и адаптации пациента.

Это не следует трактовать как медицинский диагноз. Скорее, это framework для мониторинга и интерпретации, который может помочь врачам, тренерам, исследователям или самим пациентам заметить, когда ежедневные паттерны восстановления выходят за пределы недавней нормы.

В более широком направлении исследований ОНФ этот набор данных дает важный мост:

• от технических систем,
• к спортивным системам,
• и далее к клинической человеческой адаптации и восстановлению.

Поэтому ATOPE+Breast становится ценным дополнением к будущей работе по ОНФ.

Применение ОНФ к данным бегунов: границы нагрузки, сдвиг режима и возможные тренировочные циклы

В предыдущих заметках я писал о концепции Области Нормального Функционирования — ОНФ. Основная идея проста: у любой динамической системы есть некоторая область нормального поведения. Но эта область не является постоянной. Она может расширяться, сужаться, смещаться, колебаться или резко меняться.

Мои ранние работы в этой области были связаны в основном с компьютерными системами: производительность, нагрузка, аномалии, точки изменения, тренды и прогнозы. Сейчас я пробую расширить этот подход на человеческие системы, в частности на спортивные данные.

После первого эксперимента с открытым набором данных SoccerMon я попробовал другой открытый набор данных — Injury Prediction for Competitive Runners.

Источник данных:
https://github.com/sonicjoy/Injury-Prediction-for-Competitive-Runners

Для первого анализа я выбрал одного бегуна с достаточно длинной историей и взял простую, но важную метрику:

общее количество километров за неделю (total kms)

С точки зрения спортивной науки это можно рассматривать как базовую внешнюю тренировочную нагрузку.

Как строилась ОНФ

Для каждой недели я рассчитывал границы ОНФ на основе предыдущих 12 недель:

• CL = скользящий P50
• UCL = скользящий P99
• LCL = скользящий P01

Область между LCL и UCL показывает недавний нормальный диапазон недельной нагрузки для данного бегуна.

Важно, что ОНФ здесь не фиксирована. Она движется вслед за изменением тренировочного режима спортсмена.

Рисунок 1 — ОНФ за всю историю наблюдений

На полном графике видно, что нормальная недельная нагрузка бегуна не была постоянной. Полоса ОНФ поднимается и опускается, отражая изменения типичного уровня тренировок.

Это уже интересно. Мы смотрим не просто на отдельные высокие или низкие недели, а на то, как меняется сама область нормальной нагрузки спортсмена.

Особенно заметен сильный нисходящий сдвиг ближе к концу ряда. Падает не только фактическая недельная нагрузка, но и сами границы ОНФ. В терминах ОНФ это означает, что нормальный диапазон нагрузки бегуна сместился вниз.

Это не доказывает причину. Такой сдвиг может быть связан с травмой, восстановлением, изменением тренировочного плана, сезонностью, занятостью или другими факторами. Но сам паттерн важен:

бегун больше не функционировал в прежнем диапазоне нормальной недельной нагрузки.

Рисунок 2 — Увеличенный фрагмент с поздним сдвигом

Увеличенный график делает этот поздний сдвиг более заметным. До него нормальный недельный километраж был существенно выше. После сдвига и центральная линия, и границы ОНФ перешли на более низкий уровень.

Это хороший пример того, зачем нужна ОНФ. Она помогает отличать:

• разовую аномалию,
• временное колебание,
• и реальное изменение функционального режима.

Я также сделал детектор точек изменения менее чувствительным, чтобы он не отмечал множество мелких колебаний. В результате остался более чистый и интерпретируемый сигнал — крупное изменение режима.

Возможная периодичность и тренировочные циклы

Еще одно интересное наблюдение: полоса ОНФ движется не совсем случайно. В ней заметны повторяющиеся волны подъема и снижения.

Предварительная проверка периодичности показала широкий повторяющийся цикл примерно около 46 недель, а также дополнительные среднесрочные паттерны примерно в диапазоне 28–40 недель.

Пока я бы не стал переинтерпретировать этот результат. Но он может отражать:

• сезонность,
• тренировочные макроциклы,
• фазы набора нагрузки и восстановления,
• или повторяющиеся изменения тренировочного плана.

Это важное расширение идеи ОНФ. Возможно, ОНФ помогает видеть не только аномалии и точки изменения, но и повторяющиеся циклы изменения нормального режима функционирования.

Почему это интересно

В инженерии производительности компьютерных систем мы часто задаем вопросы:

• Что является нормальным поведением системы?
• Когда система выходит за нормальные границы?
• Изменилась ли сама система?
• Есть ли тренд?
• Есть ли повторяющийся паттерн?

Оказывается, эти же вопросы могут быть полезны и для данных спортсмена.

Этот пример с бегуном показывает, что ОНФ может описывать:

• типичный диапазон недельной нагрузки,
• необычно высокие или низкие недели,
• крупный нисходящий сдвиг режима,
• и возможную периодическую структуру тренировочного процесса.

Для меня самый интересный результат — не просто падение нагрузки. Важнее то, что вниз сместилась сама область нормального функционирования.

Именно такие изменения ОНФ и должна помогать обнаруживать.

Первый вывод

Это пока исследовательский эксперимент, но он дает еще одно подтверждение, что ОНФ можно применять не только к техническим системам.

Бегун, как и компьютерная система, имеет меняющуюся область нормального функционирования. Эта область может расширяться, сужаться, смещаться, колебаться или резко меняться.

Понимание таких изменений может быть полезно не только в инженерии производительности, но и в спортивной науке, анализе тренировок и более широком исследовании человеческой производительности.

Применение ОНФ к данным SoccerMon: первый взгляд на нагрузку, самочувствие и готовность спортсмена

                                                                                                                                                Engish version is HERE

В качестве первого независимого proof-of-concept я применил идею Области Нормального Функционирования — ОНФ — к открытым данным мониторинга спортсменов из набора SoccerMon.

Эта работа продолжает более широкое направление ОНФ, о котором я писал ранее здесь:
https://www.trub.in/2026/06/expanding-area-of-normal-functioning.html

Источник данных для этого эксперимента — открытый датасет SoccerMon:
https://zenodo.org/records/10033832

Целью этого первого эксперимента было не построить окончательную предиктивную модель. Задача была проще: проверить, можно ли определить ОНФ на реальных данных спортивной науки и помогает ли эта концепция интерпретировать тренировочную нагрузку, самочувствие, готовность к тренировке и возможные признаки перегрузки.

Для первого анализа я выбрал одного игрока с относительно полной продольной историей данных. Были построены две недельные диаграммы в стиле IT-control chart:

1.      Недельная тренировочная нагрузка

2.      Недельный индекс риска по самочувствию и готовности

Обе диаграммы используют одну и ту же логику ОНФ. Для каждой недели текущее значение сравнивается с историей предыдущих 12 недель.

Контрольные границы рассчитаны на основе процентилей:

·         CL = скользящая медиана, или P50

·         UCL = скользящий P95

·         LCL = скользящий P05

Область между LCL и UCL рассматривается как недавняя Область Нормального Функционирования спортсмена.

Недельная нагрузка как внешнее воздействие

Первая диаграмма показывает недельную тренировочную нагрузку. Я рассчитал её как сумму дневных значений daily_load внутри каждой недели.

На языке ОНФ эта диаграмма показывает нормальный диапазон внешнего тренировочного воздействия на спортсмена. Если недельная нагрузка остается внутри полосы ОНФ, это означает, что спортсмен тренируется в диапазоне, который был для него нормальным в недавнем прошлом.

Если недельная нагрузка поднимается выше UCL, это означает, что спортсмен получает более высокую нагрузку, чем можно было бы ожидать на основе его недавней истории. Это может указывать на перегрузку, резкое увеличение тренировочного объёма или временный выход за верхнюю границу нормального функционирования.

В данных было видно несколько недель выше UCL, особенно в периоды быстрого увеличения тренировочной нагрузки. Некоторые из этих высоконагрузочных недель находились рядом с неделями, где были зарегистрированы сообщения о травмах. Это не доказывает причинно-следственную связь, но показывает, что верхняя граница ОНФ может быть полезным сигналом возможной перегрузки.

LCL также показана для симметрии и согласованности с форматом контрольной диаграммы. Однако низкие значения нагрузки интерпретировать сложнее. Неделя ниже LCL может означать отдых, снижение нагрузки, восстановление, перерыв в тренировках или межсезонье. В этом первом примере недели ниже LCL не выглядели связанными с сообщениями о травмах.

Поэтому для тренировочной нагрузки верхняя граница кажется более информативной, чем нижняя.

Риск по самочувствию и готовности как внутренняя реакция

Вторая диаграмма показывает составной индекс риска по самочувствию и готовности.

Этот индекс объединяет нормализованные значения:

·         усталости,

·         болезненности мышц,

·         стресса,

·         обратного значения готовности к тренировке,

·         обратного значения качества сна,

·         обратного значения настроения.

Более высокое значение индекса означает худшее субъективное состояние или более низкую готовность к тренировке.

Эта диаграмма представляет ОНФ спортсмена уже не с точки зрения внешней нагрузки, а с точки зрения внутренней реакции. Она отвечает не на вопрос «сколько работы выполнил спортсмен?», а на вопрос «как спортсмен, судя по субъективным показателям, реагирует на эту работу?».

На диаграмме было несколько недель выше UCL по индексу риска. На языке ОНФ это означает, что субъективное состояние спортсмена вышло за пределы его недавнего нормального диапазона. Это может отражать худшее восстановление, накопленную усталость, повышенный стресс или временно неблагоприятное адаптационное состояние.

Интересно, что в этом первом примере повышенный риск по самочувствию и готовности не совпадал напрямую с неделями сообщений о травмах. Но это тоже важный результат. Он показывает, что ОНФ по самочувствию может отражать краткосрочные изменения внутреннего состояния, тогда как ОНФ по нагрузке может лучше отражать внешнее тренировочное воздействие. Эти два измерения связаны, но не являются одним и тем же.

Почему важны обе диаграммы

Главный вывод из этого первого эксперимента состоит в том, что ОНФ спортсмена, вероятно, является многомерной.

У спортсмена может быть нормальная тренировочная нагрузка, но плохое самочувствие.

У спортсмена может быть высокая нагрузка, но при этом хорошая готовность.

У спортсмена может быть субъективный стресс без немедленной травмы.

У спортсмена может возникнуть травма после необычного паттерна нагрузки.

Это означает, что ОНФ не следует определять только по одной метрике.

В спорте ОНФ, как минимум, должна учитывать два измерения:

1.      Внешняя нагрузка — что спортсмену предлагается выполнить.

2.      Внутренняя реакция — как спортсмен усваивает эту нагрузку и адаптируется к ней.

Это очень близко к более общей идее ОНФ: у систем есть не только входные воздействия, но и внутреннее состояние, адаптационная способность, границы нормального функционирования и отложенные реакции.

Первый вывод

Этот эксперимент с данными SoccerMon пока является предварительным, но он поддерживает базовую идею: ОНФ можно операционализировать на реальных данных человеческой производительности.

Фреймворк ОНФ позволяет задавать такие вопросы:

Когда тренировочная нагрузка является нормальной для данного спортсмена?

Когда субъективное самочувствие выходит за обычный диапазон?

Адаптируется ли спортсмен, восстанавливается ли он или движется в сторону перегрузки?

Что мы видим: шум, аномалию, изменение, тренд или возможный срыв нормального функционирования?

Именно поэтому спортивная наука может быть очень перспективной первой областью применения ОНФ за пределами технических систем. Спортсмены — это живые динамические системы. У них есть индивидуальные границы, адаптационная способность, стрессовые реакции, паттерны восстановления и изменяющиеся области нормального функционирования.

Следующим шагом должно быть повторение такого анализа для нескольких игроков и проверка, связаны ли устойчивые или повторяющиеся выходы за границы ОНФ с травмами, болезнями, ухудшением восстановления или снижением производительности.